Cách xóa watermark Claude

Kể từ tháng 8 năm 2026, mỗi khối văn bản do Claude tạo ra sẽ mang một hình mờ vô hình. Bạn không thể nhìn thấy nó, trình kiểm tra chính tả sẽ không đánh dấu nó, và nó vẫn tồn tại sau khi sao chép-dán từ Claude vào tài liệu. Anthropic thiết kế cơ chế này để văn bản do AI tạo có thể được truy ngược về mô hình thông qua một dấu hiệu thống kê nằm trong chính lựa chọn từ ngữ.

Dùng thử Apidog ngay hôm nay

Nếu bạn cần kiểm tra và làm sạch nội dung hoặc tệp mà bạn sở hữu, dự án mã nguồn mở watermarks-remover cung cấp các script cho Unicode ẩn, siêu dữ liệu tệp và quy trình viết lại văn bản. Bài viết này tập trung vào cách cài đặt, chạy và xác minh kết quả.

Việc làm sạch ký tự ẩn hoặc siêu dữ liệu phục vụ quyền riêng tư là khác với việc che giấu nguồn gốc AI để gian lận học thuật, né tránh yêu cầu công bố hoặc vi phạm hợp đồng. Hãy kiểm tra chính sách của tổ chức, nền tảng và khách hàng trước khi xử lý.

Tóm tắt

• Dấu văn bản của Claude: là tín hiệu thống kê trong lựa chọn token, không phải ký tự ẩn có thể tìm và xóa.
• Dấu cấp tệp: C2PA, EXIF, XMP và thuộc tính tài liệu là một lớp riêng, có thể kiểm tra và loại bỏ theo cách xác định.
• Lớp A — làm sạch xác định: xóa Unicode vô hình, khoảng trắng bất thường, ký tự bidi và Unicode tag. Nhanh, có thể xác minh, không thay đổi văn xuôi hiển thị.
• Lớp B — viết lại thống kê: thay đổi cách diễn đạt để làm suy giảm tín hiệu token. Đây chỉ là nỗ lực tốt nhất và có thể làm giảm chất lượng hoặc thay đổi ý nghĩa.
• Định dạng hỗ trợ: PNG, JPEG, SVG, PDF, DOCX, ODT, HTML và Markdown.
• Quy trình khuyến nghị: luôn kiểm tra trước, ghi kết quả ra tệp mới, sau đó kiểm tra lại.

Hình mờ của Claude thực sự là gì?

Điểm quan trọng nhất: hình mờ văn bản của Claude không phải là chuỗi ký tự ẩn chen giữa các từ. Không có zero-width space cụ thể để tìm kiếm, không có ký tự lạ duy nhất để xóa, và không có khoảng cách chữ bất thường để đo.

Thay vào đó, tín hiệu nằm trong cách mô hình chọn từ. Khi tạo văn bản, Claude chọn token tiếp theo từ một tập ứng viên có xác suất gần nhau. Cơ chế watermark điều chỉnh lựa chọn này theo một khóa bí mật. Trên một đoạn văn đủ dài, các lựa chọn đó tạo thành mẫu thống kê có thể được phát hiện bởi hệ thống sở hữu khóa.

Điều này dẫn đến hai hệ quả triển khai:

1. Sao chép-dán không xóa dấu vết. Tín hiệu nằm trong từ ngữ, không phải metadata của clipboard hay tài liệu.
2. Chỉnh sửa làm suy giảm tín hiệu. Khi thay đổi đủ từ, dịch, diễn giải hoặc kết hợp với nội dung tự viết, mẫu thống kê có thể yếu đi.

Anthropic triển khai cơ chế này ở cấp mô hình từ ngày 2 tháng 8 năm 2026. Vì vậy, các ứng dụng Claude, API, Claude Code và quyền truy cập qua AWS, Google Cloud hoặc Microsoft Foundry đều có thể tạo ra dấu vết tương tự. Anthropic cũng tuyên bố sẽ phát hành API phát hiện để người dùng và bên thứ ba kiểm tra.

Để tìm hiểu thêm về thay đổi liên quan đến dòng mô hình và chính sách truy cập, xem bài Fable 5 Is Down for Everyone.

Một kết quả phát hiện dương tính chỉ cho thấy văn bản có thể đã đi qua Claude. Nó không tự động chứng minh gian lận hay xác định chính xác tác giả, vì kiểm lỗi, dịch và tóm tắt cũng có thể để lại tín hiệu liên quan.

Hai loại dấu vết, hai cách xử lý

watermarks-remover tách công việc thành hai lớp vì dấu Unicode/metadata và watermark thống kê là hai cơ chế khác nhau.

Lớp A: xóa ký tự xác định

Lớp này nhắm đến:

• Zero-width characters
• Khoảng trắng Unicode bất thường
• Điều khiển văn bản hai chiều (bidi)
• Unicode tag characters

Các ký tự này đôi khi được dùng để theo dõi, nhúng dữ liệu nguồn gốc hoặc gây khó khăn cho việc kiểm tra văn bản. Việc loại bỏ chúng có tính xác định: script xóa ký tự không hiển thị mà không cần mô hình AI và không thay đổi văn xuôi hiển thị.

Lớp B: viết lại để làm suy giảm tín hiệu thống kê

Vì watermark token nằm trong lựa chọn từ, không có thao tác “xóa ký tự” nào giải quyết được. Cách duy nhất là viết lại nội dung.

Đây là quy trình có đánh đổi:

• Có thể mất giọng văn ban đầu.
• Có thể thay đổi ý nghĩa kỹ thuật.
• Cần review thủ công sau khi viết lại.
• Không thể đảm bảo tín hiệu đã biến mất nếu không có detector và khóa phù hợp.

Làm sạch metadata tệp

Ngoài văn bản, công cụ có thể làm sạch:

• C2PA manifests
• EXIF
• XMP
• Thuộc tính tài liệu

C2PA là manifest đã ký theo tiêu chuẩn Content Provenance and Authenticity. Không giống dấu thống kê trong văn bản, metadata cấp tệp thường dễ kiểm tra và loại bỏ hơn.

Dự án hỗ trợ các dấu vết liên quan đến Claude, Gemini/SynthID-Text, OpenAI và watermark mã nguồn mở kiểu Kirchenbauer. Watermark ảnh ở miền pixel, chẳng hạn SynthID trong pixel, nằm ngoài phạm vi loại bỏ; công cụ chỉ có thể hỗ trợ chấm điểm qua kiểm tra ngược bên ngoài nếu được cấu hình.

Khi nào dấu vết vốn đã yếu?

Trước khi chạy công cụ, xác định xem bạn có thực sự cần xử lý hay không.

• Đoạn văn ngắn: vài câu thường không có đủ token để tạo độ tin cậy thống kê cao.
• Mã nguồn: code có ít lựa chọn token tự do hơn văn xuôi; formatter, linter và refactor thường làm thay đổi tín hiệu còn lại.
• Văn bản đã chỉnh sửa nhiều: nếu bạn đã viết lại phần lớn nội dung, mẫu ban đầu có thể đã suy giảm.
• C2PA cấp tệp: chuyển đổi định dạng hoặc lưu lại tệp đôi khi đã loại bỏ metadata này.

Trong thực tế, phạm vi làm sạch thường là văn xuôi dài gần như giữ nguyên đầu ra ban đầu, cùng metadata trên ảnh hoặc tài liệu.

Cài đặt watermarks-remover

Bạn cần Python 3.10+. Các script cốt lõi chỉ dùng thư viện chuẩn, nên không cần pip install cho tác vụ văn bản và metadata cơ bản.

git clone https://github.com/guillaumemeyer/watermarks-remover.git
cd watermarks-remover

Nếu bạn dùng cơ chế kỹ năng tác nhân theo ví dụ của repository, tạo symbolic link:

mkdir -p ~/.grok/skills
ln -sfn "$(pwd)/skills/remove-ai-marks" ~/.grok/skills/remove-ai-marks

Nếu gọi script trực tiếp, đặt biến môi trường để rút gọn lệnh:

export SCRIPTS="$(pwd)/skills/remove-ai-marks/scripts"

Hai CLI tùy chọn giúp kiểm tra/làm sạch sâu hơn:

• c2patool: kiểm tra manifest C2PA.
• exiftool: xóa metadata ảnh còn sót lại.

Các công cụ này không bắt buộc cho workflow cơ bản.

Bước 1: Kiểm tra tệp trước khi thay đổi

Không nên làm sạch “mù”. Chạy kiểm tra trước để biết tệp có ký tự ẩn, metadata hoặc manifest nguồn gốc nào.

python3 "$SCRIPTS/inspect_file.py" draft.md

Lệnh này chỉ báo cáo, không sửa đổi tệp. Hãy dùng kết quả để quyết định bước tiếp theo:

• Nếu tệp đã sạch, không cần xử lý thêm.
• Nếu có Unicode vô hình, dùng clean_text.py.
• Nếu có metadata tệp, dùng clean_file.py.
• Nếu cần thay đổi cách diễn đạt, cân nhắc Lớp B và review kỹ nội dung đầu ra.

Bước 2: Làm sạch ký tự Unicode ẩn trong văn bản

Để xử lý Lớp A, chạy clean_text.py với --stats:

python3 "$SCRIPTS/clean_text.py" draft.md -o draft.cleaned.md --stats

Lệnh này loại bỏ:

• Ký tự Unicode vô hình
• Khoảng trắng bất thường
• Ký tự điều khiển bidi
• Unicode tag characters

Cờ -o ghi kết quả sang tệp mới thay vì ghi đè bản gốc. Giữ lại tệp nguồn cho đến khi bạn xác minh đầu ra.

Ví dụ workflow tối thiểu:

python3 "$SCRIPTS/inspect_file.py" draft.md
python3 "$SCRIPTS/clean_text.py" draft.md -o draft.cleaned.md --stats
python3 "$SCRIPTS/inspect_file.py" draft.cleaned.md

Bước 3: Xóa metadata khỏi ảnh và tài liệu

Dùng clean_file.py cho ảnh hoặc tài liệu:

python3 "$SCRIPTS/clean_file.py" photo.png -o photo.cleaned.png

Công cụ hỗ trợ PNG, JPEG, SVG, PDF, DOCX, ODT, HTML và Markdown.

Nếu đã cài exiftool, chạy thêm để xử lý metadata ảnh còn lại:

exiftool -all= photo.cleaned.png

Với C2PA, việc chuyển đổi định dạng hoặc lưu lại tệp đôi khi có thể loại bỏ manifest. Tuy nhiên, dùng script chuyên dụng giúp quy trình nhất quán và dễ xác minh hơn.

Bước 4: Hiểu rõ đánh đổi của Lớp B

Watermark thống kê không thể bị xóa bằng cách lọc Unicode. Muốn làm suy giảm nó, bạn phải thay đổi từ ngữ.

rewrite_text.py chuẩn bị một lượt diễn giải lại:

python3 "$SCRIPTS/rewrite_text.py" draft.md --backend print-prompt --strength paraphrase

Với --backend print-prompt, công cụ chỉ in prompt viết lại thay vì tự gọi mô hình. Điều này giúp bạn giữ quyền kiểm soát quy trình. Tùy chọn --strength điều chỉnh mức độ diễn giải.

Sau khi viết lại, hãy review thủ công theo checklist:

• Thuật ngữ kỹ thuật còn chính xác không?
• API names, biến, URL và command có bị thay đổi không?
• Câu điều kiện, giới hạn và ngoại lệ có bị mất không?
• Ví dụ code có còn chạy không?
• Giọng văn có còn phù hợp với tài liệu gốc không?

Lớp B là nỗ lực tốt nhất, không phải bảo đảm. Với nội dung kỹ thuật dài, chi phí review có thể cao hơn lợi ích của việc viết lại.

Bước 5: Xác minh đầu ra

Sau khi làm sạch, luôn chạy lại trình kiểm tra:

python3 "$SCRIPTS/inspect_file.py" draft.cleaned.md

Với C2PA, kiểm tra trực tiếp bằng c2patool:

c2patool photo.cleaned.png

Đối với watermark thống kê, việc xác minh đáng tin cậy khó hơn vì bạn không có khóa phát hiện của Anthropic. Khi API phát hiện mà Anthropic đề cập được phát hành, đó sẽ là kiểm tra phù hợp hơn.

Nếu bạn tự động hóa quy trình kiểm tra nội dung hoặc mô hình, hãy biến bước xác minh thành một phần của pipeline có thể lặp lại. Các nhóm thường tích hợp kiểm tra API vào công cụ như Apidog để đảm bảo mỗi lần chạy đều có cùng request, assertion và log. Xem thêm hướng dẫn How to Test AI Agents Over an API.

Lưu ý pháp lý và đạo đức

Mục tiêu phù hợp của các công cụ này là quyền riêng tư và vệ sinh dữ liệu đối với nội dung bạn sở hữu, ví dụ:

• Xóa ký tự theo dõi khỏi bản nháp.
• Làm sạch metadata ảnh trước khi xuất bản.
• Kiểm tra manifest nguồn gốc trong tệp nội bộ.

Các trường hợp không phù hợp gồm:

• Gian lận học thuật: che giấu nội dung AI khi tổ chức yêu cầu công bố hoặc cấm sử dụng AI.
• Vi phạm hợp đồng: bỏ qua yêu cầu disclosure từ khách hàng hoặc nền tảng.
• Gán sai tác giả: trình bày tác phẩm AI là do con người tạo trong bối cảnh gây hiểu lầm đáng kể.

Watermark dương tính không tự chứng minh quyền tác giả, và việc không phát hiện watermark cũng không chứng minh nội dung do con người viết. Khi cần công bố nguồn gốc, disclosure rõ ràng thường là giải pháp ít rủi ro hơn.

Nếu mục tiêu của bạn là vận hành mô hình theo chính sách nguồn gốc riêng thay vì phụ thuộc watermark của nhà cung cấp, tự lưu trữ có thể phù hợp hơn. Xem thêm bài The Best Local LLMs to Run in 2026.

Câu hỏi thường gặp

Tôi có thể tìm và xóa ký tự watermark trong văn bản Claude không?

Không. Watermark văn bản của Claude được mô tả là tín hiệu thống kê trong lựa chọn từ, không phải tập ký tự ẩn. Tuy nhiên, nếu văn bản chứa zero-width characters hoặc ký tự Unicode vô hình từ công cụ khác, Lớp A của watermarks-remover có thể làm sạch chúng.

Sao chép-dán đầu ra Claude có xóa watermark không?

Không. Nếu tín hiệu nằm trong lựa chọn từ ngữ, sao chép-dán giữa các ứng dụng không thay đổi nó. Chỉ việc chỉnh sửa nội dung thực tế mới có thể làm suy giảm mẫu thống kê.

watermarks-remover có miễn phí không?

Có. Đây là dự án mã nguồn mở theo giấy phép MIT. Các script cốt lõi cho văn bản và metadata cần Python 3.10+ cùng thư viện chuẩn.

Nó có hữu ích với đầu ra Claude Code không?

Script vẫn chạy được, nhưng watermark thường yếu hơn trong code vì mã nguồn có ít lựa chọn token tự do hơn văn xuôi. Formatter, linter và refactor cũng thường thay đổi tín hiệu còn lại.

Nó có xóa watermark ảnh như SynthID không?

Không xóa watermark ở miền pixel. Công cụ tập trung vào metadata cấp tệp như C2PA, EXIF và XMP; việc chấm điểm SynthID có thể cần thiết lập kiểm tra ngược bên ngoài.

Làm sao biết watermark thống kê đã biến mất?

Hiện tại, bạn không thể tự xác minh hoàn toàn nếu không có detector và khóa phù hợp. Trong khi đó, việc kiểm tra Unicode ẩn, metadata và C2PA có thể thực hiện bằng inspect_file.py, c2patool và các công cụ metadata khác.